نهج نقل التعلم لتصنيف حالة القرص الفقري القطني

2022-01-08

نهج نقل التعلم  لتصنيف حالة القرص الفقري القطني

 

علي الكبيسي – ناصر خميس

في الآونة الأخيرة ، أصبحت خوارزميات التعلم العميق واحدة من أكثر طرق وأشكال الخوارزميات شيوعًا المستخدمة في عملية تحليل التصوير الطبي. توفر أدوات التعلم العميق الدقة والسرعة في عملية تشخيص وتصنيف مشاكل العمود الفقري القطني. يعد فتق القرص وتضيق العمود الفقري من أكثر أمراض أسفل الظهر شيوعًا. يمكن اعتبار عملية تشخيص آلام أسفل الظهر مكلفة من حيث الوقت والخبرة المتاحة. في هذه الورقة ، استخدمنا طرقًا متعددة للتغلب على مشكلة نقص بيانات التدريب في تصنيف حالة القرص ولتعزيز أداء مهام تصنيف حالة القرص. لتحقيق هذا الهدف ، تم تنفيذ نقل التعلم من مجموعات البيانات المختلفة وتقنية منطقة الاهتمام المقترحة (ROI). لقد ثبت أن استخدام التعلم عن طريق النقل من نفس المجال مثل مجموعة البيانات المستهدفة قد يؤدي إلى زيادة الأداء بشكل كبير. أدى تطبيق طريقة ROI إلى تحسين نتائج تصنيف حالة القرص في VGG19 2% و ResNet50 16% و MobileNetV2 5% و VGG16 2%. أدت النتائج إلى تحسين VGG16 4% وفي VGG19 6% مقارنة بالنقل من ImageNet. علاوة على ذلك ، فقد ذكر أنه كلما كانت البيانات المراد تصنيفها أقرب إلى البيانات التي تدرب عليها النظام ، كانت النتائج المحققة أفضل.

رابط البحث